Forward Moving Average Darstellungen für MA Prozesse der endlichen Ordnung: Multivariate stationäre und periodisch korrelierte Soltani und Mohammadpour (2006 Soltani, AR Mohammadpour, M.) (2006) Gleitende durchschnittliche Darstellungen für multivariate stationäre Prozesse ): 831 841. CrossRef. Web of Science 0174) beobachteten, dass im allgemeinen die rückwärts und vorwärts gleitenden Durchschnittskoeffizienten für die multivariaten stationären Prozesse im Gegensatz zu den univariaten Prozessen unterschiedlich sind. Dies hat Untersuchungen zur Ableitung von vorwärts gleitenden mittleren Koeffizienten in bezug auf die rückwärts gehenden mittleren Koeffizienten stimuliert. In diesem Artikel entwickeln wir ein praktisches Verfahren, wenn das zugrundeliegende Verfahren ein multivariat gleitender Durchschnitt (oder univariate periodisch korrelierte) Prozess der endlichen Ordnung ist. Unser Verfahren basiert auf zwei wichtigen Beobachtungen: Ordnungsreduktion (Li, 2005 Li, LM, 2005) Faktorisierung der gleitenden durchschnittlichen Spektraldichten durch Zustandsraumdarstellungen und Stapelung J. Multivariate Analyse 96. 425 438. CrossRef 0174) und die Analyse erster Ordnung (Mohammadpour und Soltani, 2010 Mohammadpour, M. Soltani, AR, 2010.) Vorwärtslaufende Mittelwertdarstellung für multivariate MA (1) - Prozesse Statistische Theorie Meth. 39. 729 737. Taylor amp Francis Online Web der Wissenschaft 0174). Mathematik Fachgebiet Klassifikation: 60G10. 60G25 Artikel Metrics Loggen Sie sich über Ihre Institution ein Melden Sie sich bei Taylor Francis Online an oder erwerben Sie es Kommunikationen in der Statistik - Theorie und Methoden Volume 43 2014 - Issue 1 Artikel Kaufen 24 Stunden Zugang für USD 50.00 Lokale Steuer wird hinzugefügt, wie vorhanden Browse Zeitschriften nach Thema Information Für Open Access Hilfe und Info Connect with Taylor Francis Registriert in England Wales Nr. 3099067 5 Howick Place London SW1P 1WG Diese Website verwendet Cookies, um sicherzustellen, dass Sie die besten Erfahrungen auf unserer WebsiteMeasuring Spot Varianz Spillovers Wenn (Co) Varianzen sind zeitaufwendig - Der Fall multivariate GARCH Modelle Matthias R. Fengler Universität St. Gallen - Hochschule für Wirtschaft und Politikwissenschaft Helmut Herwartz Universität Kiel - Institut für Statistik und Ökonometrie Wir schlagen globale und disaggregierte Spillover-Indizes vor, die es uns ermöglichen, Varianz - und Kovarianz - Lokal zeitlich und bedingt auf Zeit-t-Informationen. Schlüssel zu unserem Ansatz ist die Vektor-gleitende Durchschnittsdarstellung des halbvektorisierten quadratischen multivariaten GARCH-Prozesses des beliebten BEKK-Modells. In einer empirischen Anwendung auf ein vierdimensionales System breiter Assetklassen (Equity, Fixed Income, Devisen und Rohstoffe) veranschaulichen wir die neuen Spillover-Indizes auf verschiedenen Ebenen der (Dis-) Aggregation. Darüber hinaus zeigen wir, dass sie die Value-at-Risk-Verstöße von Portfolios, die sich aus den betrachteten Assetklassen zusammensetzen, informieren. Anzahl der Seiten im PDF-Format: 42 Stichworte: BEKK-Modell, Prognosefehler-Varianzzerlegung, multivariates GARCH, Spillover-Index, Value-at-Risk, Varianz-Spillovers JEL Klassifikation: C32, C58, F3, G1 Datum der Veröffentlichung: Zitat Fengler, Matthias R. und Herwartz, Helmut, Measuring Spot Varianz Spillovers Wenn (Co) Varianzen sind zeitaufwendig - Der Fall der multivariaten GARCH-Modelle (10. Juni 2016). Erhältlich bei SSRN: ssrn / abstract2800209 Kontaktdaten Matthias R. Fengler (Kontaktperson) Universität St. Gallen - Schule für Wirtschaft und Politikwissenschaft (email) Bodanstrasse 6 CH-9000 St. Gallen, 9000 Schweiz Helmut HerwartzForward Moving Average Representation in Multivariate MA (1) Prozesse Abstract anzeigen Zusammenfassung verstecken ABSTRACT: Soltani und Mohammadpour (2009) präsentierten einen Algorithmus für den besten linearen Interpolator von unaufgezeichneten Innovationen in diskreten zeitlichen multivariaten zweiten stationären Prozessen. In dieser Arbeit entwickeln wir ein Interpolationsverfahren für multivariate ARMA-Prozesse mit Hilfe der Interpolation der zugrundeliegenden Innovationen. In diesem Fall sind die Koeffizienten des Modells und die vergangenen und zukünftigen multivariaten Daten die Eingaben des Algorithmus. Wir erhalten auch einen geschlossenen Formausdruck für den besten linearen Interpolator des Einzelwerts für MA (1) und AR (1) Zeitreihenmodelle. (1997), S. 206-169, S. 206-56, S. 206-56), S. 206-52), die in der Zeitschrift "Zeitschrift für anorganische und allgemeine Chemie" 831841. CrossRef, Web of Science Alle Referenzen) beobachtet, dass im Allgemeinen die rückwärts und vorwärts gleitenden durchschnittlichen Koeffizienten, entsprechend für die multivariaten stationären Prozesse, anders als die univariate Prozesse, unterschiedlich sind. Dies hat Untersuchungen zur Ableitung von vorwärts gleitenden mittleren Koeffizienten in bezug auf die rückwärts gehenden mittleren Koeffizienten stimuliert. In diesem Artikel entwickeln wir ein praktisches Verfahren, wenn das zugrundeliegende Verfahren ein multivariat gleitender Durchschnitt (oder univariate periodisch korrelierte) Prozess der endlichen Ordnung ist. Unser Verfahren beruht auf zwei wichtigen Beobachtungen: Ordnungsreduktion (Li, 20058. Li. LM (2005) Faktorisierung der gleitenden mittleren Spektraldichten durch Zustandsraumdarstellungen und Stapelung J. Multivariate Analyse 96. 425 438. CrossRef, Web of (Mohammadpour und Soltani, 20109. Mohammadpour, M. Soltani, AR (2010)) Vorwärtslaufende Mittelwertdarstellung für multivariate MA (1) - Prozesse Kommune Statistische Theorie Meth. 39. 729 737. Taylor amp Francis Online, Web of Science Alle Referenzen anzeigen). Artikel Jan 2014 M. Mohammadpour A. R. Soltani
No comments:
Post a Comment